基因组序列注释方法.pptVIP

基因组序列注释的方法 一、基因组序列注释 以基因组序列为基础，确定全基因序列中基因的确切位置 二、注释的方法 1、根据开放阅读框（ORF）预测 1）起始密码子ATG： 第一个ATG的确定依据Kozak规则，所谓Kozak规则，即第一个ATG侧翼序列的碱基分布所满足的统计规律： 若将第一个ATG中的碱基A，T，G分别标为1，2，3位，则Kozak规则可描述如下： （1）第4位的偏好碱基为G； （2）ATG的5’端约15bp范围的侧翼序列内不含碱基T； （3）在-3，-6和-9位置，G是偏好碱基； （4）除-3，-6和-9位，在整个侧翼序列区，C是偏好 碱基 2）终止密码子 ： 终止密码子: TAA, TAG,TGA GC% = 50% 终止密码子每 64 bp出现一次； GC% 50% 终止密码子每100－200 bp 出现一次； 由于多数基因ORF均多于50个密码子，因此最可能的选择应该是ORF选择不少于100个密码子。 细菌基因组的ORF阅读相对比较简单，错误的概率较少，但单纯的ORF扫描对高等真核生物DNA效果不佳。 内含子使ORF扫描复杂化 对ORF扫描的基本程序的编写要考虑以下几个问题： a、密码子偏倚 编码同一氨基酸的不同密码子称为同义密码，其差别仅在密码子的第3位碱基不同。 特定生物体的基因中并不是所有密码子的使用频率都是平等的。 如Leu的密码子有6个（TTA、TTG、CTT、CTC、CTA、CTG），在人类基因中，绝大多数Leu都是由CTG编码的，而且几乎不由CTA和TTA编码。 特定种属有特征性的密码子偏爱，这些序列在编码区常常出现，非编码区只保持平均的碱基分布水平。 b、外显子－内含子边界 外显子和内含子的边界有一些明显的特征如： 内含子的5’端常见的顺序为 5’-AG↓GTTAAGT-3’； 3’端多为5‘PyPyPyPyPyPyCAG-3’(“Py”嘧啶核苷酸，T或C)； 上游外显子-内含子边界的共有序列在真正基因中发现的真实序列之间的关系。 运用外显子－内含子边界特殊序列的方法来注释基因的成功率不高。 c、上游调控顺序 几乎所有基因（或操纵子）上游都有调控序列，它们与DNA结合蛋白作用，控制基因表达，通过同源性比较来预测mRNA的5’端，最常用的与转录起始位点相关的数据库是真核启动子数据库 (The TRADAT Project , Eukaryotic Promoter Database, EPD. http://www.epd.unil.ch/ )。 另外个别基因组特有组成也可作为判别依据，如脊椎动物基因组许多基因的上游都有大约1kb长的CpG岛。 2、同源查询 利用已存入数据库中的基因序列与待查基因组序列进行比较，从中查找可与之匹配的碱基序列及其比例用于界定基因的方法。 A. DNA序列某些片段完全相同； B. 开放阅读框排列类似； C. 开放阅读框翻译成的氨基酸序列的相同； D. 模拟多肽高级结构相似。 一般认为，氨基酸序列的相似性在25%以上可视为同源基因。 这些结果均可作为基因判定的指标，可单独用，也可综合用。 基因注释软件 1)目前基因注释程序的编写主要依据两种信息内涵: 1.signal terms (信号指令), 如起始密码, 终止密码, 终止信号,多聚嘧啶顺序,分支点等保守的顺序组成; 2.content terms (内容指令), 如密码子使用偏好. 对结构紧凑的小基因组上述注释软件效果不错,但对大基因组特别是超长基因的注释有很大困难.在一个长度数十或数百kb的内含子中, 存在许多可能误判的信号指令. 2)常用的注释软如GenScan主要偏重于内容指令, 而FgeneSH则着重于信号指令.由于每种生物都有种属专一性的密码子偏好,也存在某些非保守的信号指令, 因此在超长基因注释中常出现正向错误(false-positive, 多注释)或负向错误(false-negetive, 少注释). 引自: Nature reviews genetics, 4:741-749,2003. 3、通过实验确认基因 a、确认基因的存在： 通过Northern杂交确定DNA片段是表达序列； 由EST或cDNA指认基因。EST和cDNA是基因转录加工后的产物，可以确切无疑的代表相应基因成员的存在。 b、确定基因的位置： ?获取基因全长cDNA序列。